客戶關(guān)系管理（CRM）在初期是偏重流程的，我們可以稱之為流程型CRM。所謂流程型CRM，是指對市場、銷售、服務(wù)等方面，也是企業(yè)的前端管理的業(yè)務(wù)流程進行重新規(guī)劃和調(diào)整，以最佳的工作方法來獲得最好的效果。無論是銷售自動化（SFA）也好，還是利用呼叫中心的交互式客戶關(guān)懷（Interactive Customer Care）也好，都比較注重流程的管理，例如銷售過程的管理、代理的管理、員工的管理、服務(wù)請求的回復管理等等。在CRM從無到有的過程中，流程型的軟件產(chǎn)品對整個產(chǎn)業(yè)起到了非常重要的作用。正如我們在60%的實施項目中重點關(guān)注的問題一樣，通過系統(tǒng)應(yīng)用，我們主要解決的是圍繞客戶信息進行的各個部門的協(xié)同工作，其中最重要的解決了以下的問題：

    如何收集客戶信息？

    誰來收集客戶信息？

    收集什么樣的客戶信息？

    與某個客戶相關(guān)的所有信息是否是整合的？

    每一個與客戶打交道的人員是否都了解公司其他人與客戶的聯(lián)絡(luò)？

    公司前端管理的每個部門是否都建立起"以客戶為中心"的理念？

    對不同的客戶是否能夠提供不同的服務(wù)？

    對于多數(shù)已經(jīng)和正在考慮應(yīng)用CRM的企業(yè)來說，這是不可或缺的步驟，通過流程型CRM的應(yīng)用，在企業(yè)上下將CRM的概念和基礎(chǔ)數(shù)據(jù)的采集從無到有地建立了起來。但是，很快，在大量的客戶數(shù)據(jù)積累起來之后，對數(shù)據(jù)的分析將成為重擔。因此，作為CRM的專業(yè)軟件提供商，TurboCRM正在研究并已經(jīng)在某些行業(yè)提供不同于OLAP（online analytical processing在線分析方法）的專門工具來進行數(shù)據(jù)分析。

    具有強大的分析功能的CRM的主要應(yīng)用方式如下：

    1． 能夠統(tǒng)計大量的客戶信息并支持對客戶進行多維的特征分析；

    在某些行業(yè)中，例如：金融、保險、電信、傳媒、零售等行業(yè)的客戶數(shù)據(jù)量是龐大的。要對這些客戶數(shù)據(jù)進行分析，要求分析工具必須能夠處理大量的客戶信息。TurboCRM與亞信最近聯(lián)手開發(fā)的向中國電信某省數(shù)據(jù)局提供的CRM解決方案中，客戶數(shù)據(jù)量達到百萬級。而且，每個客戶的屬性描述包括地址、年齡、性別、證件號碼、收入、職業(yè)、教育程度等多個字段。系統(tǒng)必須能夠支持對這樣多維的組合性的分析，可以快速給出符合分析條件的客戶名單和數(shù)量。在分析型CRM中，速度成為重要的衡量指標，在對海量的數(shù)據(jù)進行分析的時候，速度的要求幾乎是第一位的。

    2． 能夠處理復雜的數(shù)據(jù)并支持對客戶進行行為分析；

    由于在上述提到的行業(yè)中通常已經(jīng)具備業(yè)務(wù)系統(tǒng)，對于現(xiàn)有客戶的最初的信息來源也是現(xiàn)有的業(yè)務(wù)系統(tǒng)，因此，更有意義的分析是結(jié)合客戶信息對某一類客戶群的消費行為進行分析。這要求CRM中的分析工具可以從多個數(shù)據(jù)庫中抓取并形成復雜的data cube。在此基礎(chǔ)上，我們可以分析某類客戶的消費行為，例如：電信行業(yè)可以分析經(jīng)常打漫游電話的人群具備什么樣的客戶特征；年齡在30歲左右，月收入在5000以上的女性是否是長途電話消費主體，她們的通話習慣時段是從幾點到幾點；是否周末的長途漫游消費有明顯不同于周日的特征等等。行為分析是比特征分析更為復雜的分析，因為它涉及到行業(yè)知識和分析模型的結(jié)合。

    3． 具有自定義的建模方式和參數(shù)調(diào)整的功能；

    除了特征分析和行為分析，預測正在日益成為強大的分析功能必須提供的應(yīng)用。在詳細了解了消費行為之后，很自然地，我們會想到對數(shù)據(jù)的參數(shù)進行某些調(diào)整，例如，價格的變化，如果調(diào)整周末的消費費率，對整體收入會帶來什么影響？如果我們著力吸引那些能夠帶來高價值的客戶，那么初期的投入應(yīng)當在什么范圍內(nèi)？客戶的消費點臨近什么值得時候開始成為"正利潤"客戶？其生命周期至少要在多長時間以內(nèi)才具有成為"忠誠客戶"的潛力？現(xiàn)有的模型分析很大程度上是為企業(yè)的市場研究和分析人員提供，有助于他們能夠更理性地制定市場細分策略。

    4． 能夠進行融合了人工智能的數(shù)據(jù)挖掘。

    客戶信息的錄入和儲存方式是數(shù)據(jù)（data），但是，對于決策者來講，獨立的單個的數(shù)據(jù)的意義并不大，更重要的是信息（information）和知識（knowledge）�，F(xiàn)有的數(shù)據(jù)挖掘方法已經(jīng)能夠支持進行按照內(nèi)置邏輯語言進行歸納和演繹。例如，根據(jù)模型數(shù)據(jù)，系統(tǒng)建議以達成最高利潤為目標進行的價格優(yōu)化政策。輸入抽樣調(diào)查的道的測試數(shù)據(jù)，可以根據(jù)呼出電話的反饋率、直郵的反饋率、電視廣告反饋率、巡展的反饋率等數(shù)據(jù)確定最佳的市場活動模式，以最低的成本獲得最好的市場活動效果。

    綜上所述，對分析型數(shù)據(jù)庫的需求可以總結(jié)為下表：

    分析型CRM功能 CRM應(yīng)用和考慮內(nèi)容1．多渠道的數(shù)據(jù)源和整合(Aggregate multi-access of data) · 整合現(xiàn)存放在不同數(shù)據(jù)庫中相互關(guān)聯(lián)的原始數(shù)據(jù)； · 能夠進行關(guān)聯(lián)性的查詢； · 對大數(shù)據(jù)量的查詢速度要求較高，因此必須進行移動和聯(lián)接大量數(shù)據(jù)和實時處理數(shù)據(jù)的速度之間的平衡 2．對歷史數(shù)據(jù)進行分析(Multi-dimensional analysis of historical data) · 從歷史數(shù)據(jù)中選擇不同的角度考察消費行為； · 評估客戶價值，細分客戶群； · 利用數(shù)據(jù)驗證行業(yè)經(jīng)驗； · 針對不同的客戶群發(fā)掘消費特點； · 定期地將原始數(shù)據(jù)抓取到與運營系統(tǒng)分離的數(shù)據(jù)倉庫中并完成分析圖表，可以有效地降低等待時間； · 平衡分析的靈活自定義和分析結(jié)果的反饋速度； 3．收益/客戶消費預測(Predictive revenue/consumer forecast) · 建立數(shù)據(jù)模型，對不同的客戶群預測消費量； · 調(diào)整重要參數(shù)，估計對收益或利潤的影響； · 對市場活動的效果進行預測； · 從不同的緯度進行知識發(fā)現(xiàn)； 4．優(yōu)化方法(Optimization method) · 利用數(shù)據(jù)模型進行優(yōu)化，適合確立價格策略； · 通過設(shè)置商業(yè)規(guī)則，進行復雜的市場劃分 · 平衡市場活動的費用和效益； · 采用AI（人工智能）方法驗證行業(yè)經(jīng)驗；

    理解業(yè)務(wù)：最初的階段，著眼于了解業(yè)務(wù)特點，并把它還原成為數(shù)據(jù)分析的條件和參數(shù)。例如：在零售行業(yè)中，我們的第一個步驟是了解客戶購買的頻率，購買頻率和每次消費金額之間是否有明顯的相關(guān)關(guān)系。

    分析數(shù)據(jù)：這個階段著眼于對現(xiàn)有的數(shù)據(jù)進行規(guī)整。我們發(fā)現(xiàn)，在不少行業(yè)中，可分析的數(shù)據(jù)和前面提出的分析目標是不匹配的。例如：消費者的月收入水平可能與許多購買行為相關(guān)，但是，原始的數(shù)據(jù)積累中卻不一定具備這些數(shù)據(jù)。對這一問題的解決方法是從其它的相關(guān)數(shù)據(jù)中進行推理，例如，通過抽樣調(diào)查，我們發(fā)現(xiàn)，一次性購買大量衛(wèi)生紙的客戶，其月收入水平集中在1000-3000RMB的檔次，如果這一結(jié)論基本成立，我們可以從消費習慣中推理出現(xiàn)有客戶有多大的百分比是月收入水平在這個檔次中的；另外，可以根據(jù)抽樣調(diào)查的方法，在問卷調(diào)查的基礎(chǔ)上推理整個樣本人群的收入水平曲線。

　　數(shù)據(jù)準備：這個階段的著眼點是轉(zhuǎn)換、清理和導入數(shù)據(jù)，可能從多個數(shù)據(jù)源抽取并加以組合，以形成data cube。對于缺失的少量數(shù)據(jù)，是用均值補齊，還是忽略，還是按照現(xiàn)有樣本分配，這是在這個階段需要處理的問題之一。

　　建模：現(xiàn)在已經(jīng)有各種各樣的模型方法可以利用。讓最好的一種應(yīng)用于我們要著眼的主要問題中，是這個階段的主要任務(wù)。例如，對于利潤的預測是否應(yīng)當采用回歸方式預測，預測的基礎(chǔ)是什么？這些問題需要行業(yè)專家和數(shù)據(jù)分析專家協(xié)商并達成共識。

　　評估：已經(jīng)建成的模型是否可以有效地完成工作？很好的一個評估方法是利用不同的時間段，讓系統(tǒng)對已經(jīng)發(fā)生的消費情況進行預測，然后比較預測結(jié)果和實際狀況，這樣模型的評估就容易進行了。

　　應(yīng)用：完成了上述的步驟之后，多數(shù)的分析工具都支持保存并重復應(yīng)用已經(jīng)建立起來的模型。更為重要的是，在這個過程中，對數(shù)據(jù)分析的方法和知識應(yīng)當已經(jīng)由客戶方的市場分析人員或決策者所了解，我們提供的，不僅僅是最終結(jié)果，而且是獲得這一結(jié)果的方法。

　　最后，在軟件架構(gòu)方面，我們認為：分析數(shù)據(jù)庫與運營數(shù)據(jù)庫應(yīng)當是分離的，避免影響運營數(shù)據(jù)庫在操作方面的的實時響應(yīng)速度。其結(jié)構(gòu)如下圖所示：

　　有數(shù)據(jù)表明，往往是20%的顧客為企業(yè)帶來了80％的利潤，但如何尋找這20％的客戶，并為他們提供更優(yōu)質(zhì)的服務(wù)，卻成了企業(yè)管理者的一塊心病。分析性CR可以解決這個問題，它和數(shù)據(jù)倉庫、數(shù)據(jù)分析、模型建立等技術(shù)相結(jié)合，必將有力的促進企業(yè)的經(jīng)營決策，從而發(fā)現(xiàn)更加有價值的客戶，并為他們提供更好的服務(wù)。